基于WSN的旋转机械设备故障时频监测方法

孙留存,胡从川,钱大龙

(中国绿发投资集团有限公司,北京 100020)

0 引言

随着现代化科技与工业的迅猛发展,旋转机械设备成为应用最为广泛的机械设备之一[1],其工况不但会影响自身机械设备的运行状态,还会直接影响后续生产环节,因此对旋转机械设备工况实时监测至关重要。

目前,旋转机械设备监测技术已受到国内外学者的高度重视,国外故障监测技术发展较早,1965年,快速傅里叶变换的提出与应用为故障监测奠定技术基础[2],而后经历10余年的发展,频谱分析和电子测量技术被引入机械故障监测之中,在1985年左右,微型计算机成为机械故障监测的重心,商业化机械故障监测系统随之诞生;国内故障监测技术起步较晚,于20世纪70年代末引入国外先进技术,经本土化创新后逐渐发展起来,目前已形成带有我国自身特色的机械故障监测理论与技术并开发出众多机械故障监测系统投入使用。陈仁祥等[3]采用连续小波变换处理信号数据,获取时间尺度矩阵并构造环境状态空间,利用卷积神经网络拟合强化学习中Q函数生成深度Q网络,将环境状态空间输入深度Q网络,输出状态特征表示,通过智能体和环境状态空间交互学习最大化Q函数值,实现旋转机械设备故障监测;刘颉等[4]采用归一化后故障信号生成Hankel矩阵,通过奇异值分解获取信号特征向量构建图数据,引入GCN提取图数据故障特征,利用softmax分类器实现故障监测;侯召国等[5]融合深度残差网络和长短时记忆网络提升故障监测模型时序信息捕获能力,在残差块中加入Dropout层,增强故障监测能力,将预处理后旋转机械设备信号输入网络模型,实现旋转机械设备故障诊断与监测。但以上方法没有降维故障信号,导致训练时间长、故障监测准确率低。

为解决上述方法中存在的问题,引入集合经验模态,提出一种基于WSN的旋转机械设备故障时频监测方法。

1 旋转机械设备故障信号预处理

1.1 WSN数据融合模型

在传统旋转机械设备故障监测中通常采用有线方式采集信号,适应性和灵活性较差,无法满足现代智能化工业的需要,因此,本文方法引入无线传感器网络[6](WSN)用于旋转机械设备故障信号的采集。

为避免故障监测过程中出现单一节点故障或误差较大等问题,WSN通常采用多节点同时监测同一设备关键点的方式,但由此会导致采集的信号数据相似度过高的情况,而上位机用户往往仅需获取旋转机械设备工况,并非全部节点详细数据细节,若传输全部无线传感器节点数据至Sink节点,不但对故障监测没有实际帮助,还会造成节点能量的浪费,因此,需要在各节点向Sink节点传输数据前在本地对数据预处理,降低通信代价,提高故障监测效率。

引入LEACH路由协议分簇节点,构建网络融合模型,如图1所示,具体步骤如下所述。

图1 WSN数据融合模型

a.数据级融合:各无线传感器节点采集故障信号数据并处理信号,滤除信号噪声,提取时频信息。

b.特征级融合:各成员节点处理后数据传输至簇头节点,簇头节点采用主成分分析法降维数据。

c.决策级融合:簇头节点将降维后特征数据传输至Sink节点,Sink节点通过免疫聚类RBF神经网络模型监测旋转机械设备运行状况。

通过以上流程即可实现信号数据的分析和整理,最终经由上位机输出旋转机械设备运行状况信息,实现旋转机械设备监测。

1.2 振动信号去噪

目前,旋转机械设备故障监测最常用的方法是分析信号振动信息进而判定故障原因,但由于旋转机械设备结构和振源较为复杂,导致采集到的信号中噪声较多,若想要准确判定旋转机械设备运行状况,必须对采集到的信号去噪处理。本文方法引入小波包阈值去噪法处理故障信号,获取质量更高的振动信号用于后续计算。

小波包阈值去噪法根据信号和噪声在不同尺度上小波包系数特性的区别对两者加以判断,保留原始信号小波包系数,滤除噪声分量中的小波分量,通过小波包重构去噪信号,具体流程如下所述。

(1)

b.依据事先设定的熵标准确定最优小波包基。

c.确定阈值θ,采用θ处理小波包分解系数,用L表示信号长度,σ表示噪声标准差,则阈值θ的确定方式为

(2)

传统小波包阈值法在去噪过程中往往采用统一阈值去噪信号,但该方法会引发过扼杀的情况,因此,本文方法通过自适应阈值选取法确定小波包分解中各层小波包系数阈值[7],求解j个阈值均值并以该值为最终去噪的全局阈值ϑ。

(3)

2 引入集合经验模态的故障时频信号分解

由于旋转机械设备结构复杂且各部件间传动具有非线性特征,导致振动信号存在不平稳等问题,为故障监测带来一定难度,因此 ,本文引入集合经验模态分解法提取旋转机械设备信号时频特征,通过时频特征描述故障信息。采用EEMD提取时频特征主要流程如下所述。

a.分解时刻t不同状态的振动信号,生成主IMF分量ci(t)。

(4)

依据式(4)可获取归一化能量指标,记作tp1=z(1),tp2=z(2),…,tpn=z(N)。

(5)

根据式(5)可得到IMF矩阵中的奇异熵指标,记作H1,H2,…,Hn。

结合归一化能量指标和IMF矩阵奇异谱熵指标,完成时频特征的提取。

3 振动故障信号特征降维

主成分分析法是应用最为广泛的数据降维方法之一,将其用于故障监测中能够选取尽可能少的指标表示故障信号特征,避免冗余特征对故障监测造成不必要的干扰。

(6)

采用v1,v2,…,vm构造特征矩阵V=[v1,v2,…,vm],S=diag(a1,a2,…,am)表示利用a1,a2,…,am建立的对角矩阵,分解协方差矩阵C,得到C=V·S·VT。

通过时频特征向量构造主成分分析子空间,采用该子空间即可提供P中绝大部分特征信息,实现时频特征降维。

4 旋转机械设备故障时频监测

传统旋转机械设备故障监测通常根据振动频谱分析结果人工判定故障情况,但由于技术人员理论和经验的限制,无法避免出现误判、漏判的情况,为此,本文方法构建免疫RBF神经网络监测旋转机械设备故障,由于RBF神经网络在训练中隐含层数据中心总数和位置获取相对困难,因此引入免疫聚类算法获取RBF神经网络相关参数,提高旋转机械设备故障监测准确率[8-9]。RBF主要结构如图2所示。

图2 RBF神经网络结构

图3 实验现场

用X={x1,x2,…,xm}表示输入的降维后故障特征,∀xk∈X;Y={y1,y2,…,yn}表示输出的故障监测结果,∀yj∈Y;Z={z1,z2,…,zN}表示隐含层输出值,∀zi∈Z;B={b1,b2,…,bm}表示输出层偏置,∀bj∈B,则zi和yj计算方式为

(7)

构建RBF神经网络模型[10-11]的关键主要有以下3点:

a.确定隐含层节点中心总数。

b.确定节点中心位置。

c.输出权值ωij。

因此,本文方法引入免疫聚类算法自适应选取隐含层中心总数和位置,并通过欧氏距离描述向量之间匹配度。免疫聚类算法由克隆选择和免疫抑制2部分构成,主要流程如下所述。

a.随机生成初始化免疫聚类算法聚类中心C0,设置最大迭代次数K。

b.计算xk与C0中全部中心匹配度rij=

c.获取o个与xk匹配度最高的中心向量,记作Co=[c1,c2,…,co]。

d.克隆Co中全部向量,匹配度越高,则克隆数量Mc越大,用T表示克隆规模,则Mc∝T×rij。

e.对克隆后中心向量执行变异操作,用η表示学习速率,η与rij呈正相关,得到变异后中心向量集Cp,ck=ck-η(ck-xk)。

h.重复以上步骤直到迭代次数达到K。

确定隐含层数据中心后对RBF神经网络加以训练,在训练后网络中输入预处理的旋转机械设备故障信号数据,实现故障监测。

5 实验与结果

为验证本文的旋转机械设备故障时频监测方法整体有效性,需要进行实验分析。采用CWRU电气工程实验中心的旋转机械设备振动数据作为实验数据集,以MOS管折弯机整型机为实验对象,对其进行故障监测研究,实验现场传感器设置如3图所示。

分别采用无负载和0.746 kW负载下的8种不同旋转机械设备状态数据集作为模型检测样本,经处理后每种状态中包含样本600个,实验样本具体信息如表1所示。

表1 旋转机械设备状态数据集信息

为检验本文方法、文献[3]方法和文献[4]方法的旋转机械设备故障监测能力,测试不同方法的监测耗时,结果如图4所示。

图4 监测耗时测试结果

由图4可以看出,与文献[3]方法和文献[4]方法相比,本文方法的监测耗时更短,即采用本文方法能够有效提高信号处理的速度,说明本文方法监测模型具有更强的鲁棒性。这是因为本文方法引入集合经验模态分解法提取旋转机械设备信号时频特征,该方法能够有效抑制振动信号不平稳问题,降低故障监测复杂度,提升监测效率。

进一步检测本文方法、文献[3]方法和文献[4]方法在相同负载和不同负载下的旋转机械设备故障监测准确率,结果如图5所示。

图5 故障监测准确率检测结果

由图5可以看出,本文方法的故障监测准确率明显高于文献[3]方法和文献[4]方法,监测准确率在95%左右,而文献[3]方法和文献[4]方法的监测准确率平均值均未达到95%,说明本文方法在旋转机械设备故障监测中具有更强的自适应性和鲁棒性,因为本文方法引入主成分分析法降维时频特征,避免冗余特征对故障监测造成不必要的干扰,从而提高了本文方法的故障监测能力。

6 结束语

近年来,随着工业的自动化和智能化发展,连续化、大型化以及大载荷、大功率等逐渐成为旋转机械设备发展的主流趋势。旋转机械设备在使用过程中始终受到多种外界作用,导致其运行状态产生一定的改变,进而造成异常、故障等情况的发生,影响系统的正常运行,因此对旋转机械设备工况实时监测是保障其安全运行的必要条件。为解决目前存在的训练时间长、故障监测准确率低的问题,本文通过小波包阈值去噪法去噪无线传感器采集的故障信号,利用EEMD提取信号时频特征,引入主成分分析法降维时频特征,采用免疫RBF神经网络完成旋转机械设备故障监测。实验结果表明,本文方法能够有效地缩短训练时间、提高故障监测准确率。